[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-swz30--Restormer":3,"tool-swz30--Restormer":61},[4,18,28,37,45,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":10,"last_commit_at":43,"category_tags":44,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",161147,"2026-04-19T23:31:47",[14,13,36],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":10,"env_os":97,"env_gpu":98,"env_ram":97,"env_deps":99,"category_tags":109,"github_topics":111,"view_count":24,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":123,"updated_at":124,"faqs":125,"releases":165},9986,"swz30\u002FRestormer","Restormer","[CVPR 2022--Oral] Restormer: Efficient Transformer for High-Resolution Image Restoration. SOTA  for motion deblurring, image deraining, denoising (Gaussian\u002Freal data), and defocus deblurring. ","Restormer 是一款专为高分辨率图像修复打造的高效人工智能模型，曾荣获计算机视觉顶会 CVPR 2022 的口头报告殊荣。它主要致力于解决图像中常见的质量退化问题，包括运动模糊、雨水条纹、各类噪声（如高斯噪声及真实场景噪声）以及失焦模糊，能显著还原清晰画质。\n\n传统卷积神经网络在处理此类任务时往往受限于感受野，而早期的 Transformer 模型虽然擅长捕捉长距离依赖，却因计算量随图像分辨率呈平方级增长，难以应用于高清大图。Restormer 的核心突破在于其独特的架构设计：通过对多头注意力机制和前馈网络进行关键改良，它在保留捕捉全局像素交互能力的同时，大幅降低了计算复杂度，使得在高分辨率图像上进行高效处理成为可能。\n\n这款工具非常适合计算机视觉研究人员、算法开发者以及需要高质量图像预处理方案的专业设计师使用。得益于其开源特性，研究者可直接利用提供的代码和预训练模型进行二次开发或学术探索；开发者也能轻松将其集成到实际应用中。此外，Restormer 还提供了便捷的在线演示和 Colab 笔记本，让普通用户无需配置复杂环境，即可直观体验其强大的图像修复效果。","\n# Restormer: Efficient Transformer for High-Resolution Image Restoration (CVPR 2022 -- Oral)\n\n[Syed Waqas Zamir](https:\u002F\u002Fscholar.google.ae\u002Fcitations?hl=en&user=POoai-QAAAAJ), [Aditya Arora](https:\u002F\u002Fadityac8.github.io\u002F), [Salman Khan](https:\u002F\u002Fsalman-h-khan.github.io\u002F), [Munawar Hayat](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=Mx8MbWYAAAAJ&hl=en), [Fahad Shahbaz Khan](https:\u002F\u002Fscholar.google.es\u002Fcitations?user=zvaeYnUAAAAJ&hl=en), and [Ming-Hsuan Yang](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=p9-ohHsAAAAJ&hl=en)\n\n[![paper](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-Paper-\u003CCOLOR>.svg)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.09881)\n[![supplement](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FSupplementary-Material-red)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1oKGON8vG4uDWMmZKqHeTMnFowhOubifK\u002Fview?usp=sharing)\n[![video](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FVideo-Presentation-F9D371)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=3mqu6N4_0pY&t)\n[![slides](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPresentation-Slides-B762C1)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F19wKhnQtr3mcD6IsLj0ZFSwCgIRKUkDQJ\u002Fview?usp=sharing)\n[![Summary](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FSummary-Slide-87CEEB)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1wyKAMLzJpDqHiF6AMsmnmGQC241GyT8q\u002Fview?usp=sharing)\n\n\n#### News\n- **April 4, 2022:** Integrated into [Huggingface Spaces 🤗](https:\u002F\u002Fhuggingface.co\u002Fspaces) using [Gradio](https:\u002F\u002Fgithub.com\u002Fgradio-app\u002Fgradio). Try out the web demo: [![Hugging Face Spaces](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Hugging%20Face-Spaces-blue)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fswzamir\u002FRestormer)\n- **March 30, 2022:** Added Colab Demo. [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1C2818h7KnjNv4R1sabe14_AYL7lWhmu6?usp=sharing)\n- **March 29, 2022:** Restormer is selected for an ORAL presentation at CVPR 2022 :dizzy:\n- **March 10, 2022:** Training codes are released :fire:\n- **March 3, 2022:** Paper accepted at CVPR 2022 :tada: \n- **Nov 21, 2021:** Testing codes and pre-trained models are released!\n\n\u003Chr \u002F>\n\n> **Abstract:** *Since convolutional neural networks (CNNs) perform well at learning generalizable image priors from large-scale data, these models have been extensively applied to image restoration and related tasks. Recently, another class of neural architectures, Transformers, have shown significant performance gains on natural language and high-level vision tasks. While the Transformer model mitigates the shortcomings of CNNs (i.e., limited receptive field and inadaptability to input content), its computational complexity grows quadratically with the spatial resolution, therefore making it infeasible to apply to most image restoration tasks involving high-resolution images. In this work, we propose an efficient Transformer model by making several key designs in the building blocks (multi-head attention and feed-forward network) such that it can capture long-range pixel interactions, while still remaining applicable to large images. Our model, named Restoration Transformer (Restormer), achieves state-of-the-art results on several image restoration tasks, including image deraining, single-image motion deblurring, defocus deblurring (single-image and dual-pixel data), and image denoising (Gaussian grayscale\u002Fcolor denoising, and real image denoising).* \n\u003Chr \u002F>\n\n## Network Architecture\n\n\u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FulLoEig.png\"> \n\n## Installation\n\nSee [INSTALL.md](INSTALL.md) for the installation of dependencies required to run Restormer.\n\n## Demo\n\nTo test the pre-trained Restormer models of [Deraining](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1ZEDDEVW0UgkpWi-N4Lj_JUoVChGXCu_u), [Motion Deblurring](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1czMyfRTQDX3j3ErByYeZ1PM4GVLbJeGK), [Defocus Deblurring](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1bRBG8DG_72AGA6-eRePvChlT5ZO4cwJ4?usp=sharing), and [Denoising](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1Qwsjyny54RZWa7zC4Apg7exixLBo4uF0) on your own images, you can either use Google Colab [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1C2818h7KnjNv4R1sabe14_AYL7lWhmu6?usp=sharing), or command line as following\n```\npython demo.py --task Task_Name --input_dir path_to_images --result_dir save_images_here\n```\nExample usage to perform Defocus Deblurring on a directory of images:\n```\npython demo.py --task Single_Image_Defocus_Deblurring --input_dir '.\u002Fdemo\u002Fdegraded\u002F' --result_dir '.\u002Fdemo\u002Frestored\u002F'\n```\nExample usage to perform Defocus Deblurring on an image directly:\n```\npython demo.py --task Single_Image_Defocus_Deblurring --input_dir '.\u002Fdemo\u002Fdegraded\u002Fportrait.jpg' --result_dir '.\u002Fdemo\u002Frestored\u002F'\n```\n\n## Training and Evaluation\n\nTraining and Testing instructions for Deraining, Motion Deblurring, Defocus Deblurring, and Denoising are provided in their respective directories. Here is a summary table containing hyperlinks for easy navigation:\n\n\u003Ctable>\n  \u003Ctr>\n    \u003Cth align=\"left\">Task\u003C\u002Fth>\n    \u003Cth align=\"center\">Training Instructions\u003C\u002Fth>\n    \u003Cth align=\"center\">Testing Instructions\u003C\u002Fth>\n    \u003Cth align=\"center\">Restormer's Visual Results\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd align=\"left\">Deraining\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Deraining\u002FREADME.md#training\">Link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Deraining\u002FREADME.md#evaluation\">Link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1HcLc6v03q_sP_lRPcl7_NJmlB9f48TWU?usp=sharing\">Download\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Motion Deblurring\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Motion_Deblurring\u002FREADME.md#training\">Link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Motion_Deblurring\u002FREADME.md#evaluation\">Link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1qla3HEOuGapv1hqBwXEMi2USFPB2qmx_?usp=sharing\">Download\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Defocus Deblurring\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Defocus_Deblurring\u002FREADME.md#training\">Link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Defocus_Deblurring\u002FREADME.md#evaluation\">Link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1V_pLc9CZFe4vN7c4SxtXsXKi2FnLUt98?usp=sharing\">Download\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Gaussian Denoising\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Denoising\u002FREADME.md#training\">Link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Denoising\u002FREADME.md#evaluation\">Link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1rEAHUBkA9uCe9Q0AzI5zkYxePSgxYDEG?usp=sharing\">Download\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Real Denoising\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Denoising\u002FREADME.md#training-1\">Link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Denoising\u002FREADME.md#evaluation-1\">Link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1CsEiN6R0hlmEoSTyy48nnhfF06P5aRR7\u002Fview?usp=sharing\">Download\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n## Results\nExperiments are performed for different image processing tasks including, image deraining, single-image motion deblurring, defocus deblurring (both on single image and dual pixel data), and image denoising (both on Gaussian and real data). \n\n\u003Cdetails>\n\u003Csummary>\u003Cstrong>Image Deraining\u003C\u002Fstrong> (click to expand) \u003C\u002Fsummary>\n\n\u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FmMoqYJi.png\"> \n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\u003Cstrong>Single-Image Motion Deblurring\u003C\u002Fstrong> (click to expand) \u003C\u002Fsummary>\n\n\u003Cp align=\"center\">\u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FhtagDSl.png\" width=\"400\">\u003C\u002Fp>\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\u003Cstrong>Defocus Deblurring\u003C\u002Fstrong> (click to expand) \u003C\u002Fsummary>\n\nS: single-image defocus deblurring.\nD: dual-pixel defocus deblurring.\n\n\u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FsfKnLG2.png\"> \n\u003C\u002Fdetails>\n\n\n\u003Cdetails>\n\u003Csummary>\u003Cstrong>Gaussian Image Denoising\u003C\u002Fstrong> (click to expand) \u003C\u002Fsummary>\n\nTop super-row: learning a single model to handle various noise levels.\nBottom super-row: training a separate model for each noise level.\n\n\u003Ctable>\n  \u003Ctr>\n    \u003Ctd> \u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002F4vzV8Qy.png\" width=\"400\"> \u003C\u002Ftd>\n    \u003Ctd> \u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FSx986Xs.png\" width=\"500\"> \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cp align=\"center\">\u003Cb>Grayscale\u003C\u002Fb>\u003C\u002Fp>\u003C\u002Ftd>\n    \u003Ctd>\u003Cp align=\"center\">\u003Cb>Color\u003C\u002Fb>\u003C\u002Fp>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\u003Cstrong>Real Image Denoising\u003C\u002Fstrong> (click to expand) \u003C\u002Fsummary>\n\n\u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002F6v5PRxj.png\">\n\u003C\u002Fdetails>\n\n## Citation\nIf you use Restormer, please consider citing:\n\n    @inproceedings{Zamir2021Restormer,\n        title={Restormer: Efficient Transformer for High-Resolution Image Restoration}, \n        author={Syed Waqas Zamir and Aditya Arora and Salman Khan and Munawar Hayat \n                and Fahad Shahbaz Khan and Ming-Hsuan Yang},\n        booktitle={CVPR},\n        year={2022}\n    }\n\n\n## Contact\nShould you have any question, please contact waqas.zamir@inceptioniai.org\n\n\n**Acknowledgment:** This code is based on the [BasicSR](https:\u002F\u002Fgithub.com\u002Fxinntao\u002FBasicSR) toolbox and [HINet](https:\u002F\u002Fgithub.com\u002Fmegvii-model\u002FHINet). \n\n## Our Related Works\n- Learning Enriched Features for Fast Image Restoration and Enhancement, TPAMI 2022. [Paper](https:\u002F\u002Fwww.waqaszamir.com\u002Fpublication\u002Fzamir-2022-mirnetv2\u002F) | [Code](https:\u002F\u002Fgithub.com\u002Fswz30\u002FMIRNetv2)\n- Multi-Stage Progressive Image Restoration, CVPR 2021. [Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2102.02808) | [Code](https:\u002F\u002Fgithub.com\u002Fswz30\u002FMPRNet)\n- Learning Enriched Features for Real Image Restoration and Enhancement, ECCV 2020. [Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.06792) | [Code](https:\u002F\u002Fgithub.com\u002Fswz30\u002FMIRNet)\n- CycleISP: Real Image Restoration via Improved Data Synthesis, CVPR 2020. [Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.07761) | [Code](https:\u002F\u002Fgithub.com\u002Fswz30\u002FCycleISP)\n","# Restormer：用于高分辨率图像恢复的高效Transformer（CVPR 2022 — 口头报告）\n\n[Syed Waqas Zamir](https:\u002F\u002Fscholar.google.ae\u002Fcitations?hl=en&user=POoai-QAAAAJ)、[Aditya Arora](https:\u002F\u002Fadityac8.github.io\u002F)、[Salman Khan](https:\u002F\u002Fsalman-h-khan.github.io\u002F)、[Munawar Hayat](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=Mx8MbWYAAAAJ&hl=en)、[Fahad Shahbaz Khan](https:\u002F\u002Fscholar.google.es\u002Fcitations?user=zvaeYnUAAAAJ&hl=en)以及[Ming-Hsuan Yang](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=p9-ohHsAAAAJ&hl=en)\n\n[![论文](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-论文-\u003CCOLOR>.svg)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.09881)\n[![补充材料](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F补充材料-red.svg)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1oKGON8vG4uDWMmZKqHeTMnFowhOubifK\u002Fview?usp=sharing)\n[![视频](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F视频-演示-F9D371.svg)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=3mqu6N4_0pY&t)\n[![幻灯片](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F演示-幻灯片-B762C1.svg)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F19wKhnQtr3mcD6IsLj0ZFSwCgIRKUkDQJ\u002Fview?usp=sharing)\n[![摘要](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F摘要-幻灯片-87CEEB.svg)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1wyKAMLzJpDqHiF6AMsmnmGQC241GyT8q\u002Fview?usp=sharing)\n\n\n#### 最新消息\n- **2022年4月4日：** 已集成至[Huggingface Spaces 🤗](https:\u002F\u002Fhuggingface.co\u002Fspaces)，采用[Gradio](https:\u002F\u002Fgithub.com\u002Fgradio-app\u002Fgradio)实现。体验在线演示：[![Hugging Face Spaces](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Hugging%20Face-Spaces-blue.svg)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fswzamir\u002FRestormer)\n- **2022年3月30日：** 新增Colab演示。[![在Colab中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1C2818h7KnjNv4R1sabe14_AYL7lWhmu6?usp=sharing)\n- **2022年3月29日：** Restormer被选为CVPR 2022的口头报告 :dizzy:\n- **2022年3月10日：** 训练代码已发布 :fire:\n- **2022年3月3日：** 论文已被CVPR 2022接收 :tada: \n- **2021年11月21日：** 测试代码和预训练模型已发布！\n\n\u003Chr \u002F>\n\n> **摘要：** *由于卷积神经网络（CNN）能够从大规模数据中学习通用的图像先验，因此在图像恢复及相关任务中得到了广泛应用。近期，另一类神经网络架构——Transformer，在自然语言处理和高层视觉任务中表现出显著的性能提升。尽管Transformer模型克服了CNN的局限性（如感受野有限、对输入内容适应性不足），但其计算复杂度随空间分辨率呈二次增长，这使得它难以应用于大多数涉及高分辨率图像的恢复任务。在本工作中，我们通过在基础模块（多头注意力机制和前馈网络）中进行若干关键设计，提出了一种高效的Transformer模型，使其能够在捕捉长距离像素交互的同时，仍适用于大尺寸图像。我们的模型名为“恢复Transformer”（Restormer），在多项图像恢复任务上取得了当前最优的性能，包括去雨、单张图像运动模糊去除、散焦模糊去除（单张图像及双像素数据）以及图像去噪（高斯灰度\u002F彩色噪声去除，以及真实场景图像去噪）。*\n\u003Chr \u002F>\n\n## 网络架构\n\n\u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FulLoEig.png\"> \n\n## 安装\n\n请参阅[INSTALL.md](INSTALL.md)，了解运行Restormer所需的依赖项安装说明。\n\n## 演示\n\n要使用您自己的图片测试[去雨](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1ZEDDEVW0UgkpWi-N4Lj_JUoVChGXCu_u)、[运动模糊去除](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1czMyfRTQDX3j3ErByYeZ1PM4GVLbJeGK)、[散焦模糊去除](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1bRBG8DG_72AGA6-eRePvChlT5ZO4cwJ4?usp=sharing)和[去噪](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1Qwsjyny54RZWa7zC4Apg7exixLBo4uF0)等任务的预训练Restormer模型，您可以选择Google Colab [![在Colab中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1C2818h7KnjNv4R1sabe14_AYL7lWhmu6?usp=sharing)，或按以下命令行方式操作：\n```\npython demo.py --task 任务名称 --input_dir 图片路径 --result_dir 保存结果路径\n```\n例如，对一个文件夹内的图片进行散焦模糊去除：\n```\npython demo.py --task 单张图像散焦模糊去除 --input_dir '.\u002Fdemo\u002Fdegraded\u002F' --result_dir '.\u002Fdemo\u002Frestored\u002F'\n```\n又如，直接对一张图片进行散焦模糊去除：\n```\npython demo.py --task 单张图像散焦模糊去除 --input_dir '.\u002Fdemo\u002Fdegraded\u002Fportrait.jpg' --result_dir '.\u002Fdemo\u002Frestored\u002F'\n```\n\n## 训练与评估\n\n去雨、运动模糊去除、散焦模糊去除和去噪任务的训练与测试说明分别位于各自目录中。下表汇总了相关链接，方便您快速导航：\n\n\u003Ctable>\n  \u003Ctr>\n    \u003Cth align=\"left\">任务\u003C\u002Fth>\n    \u003Cth align=\"center\">训练说明\u003C\u002Fth>\n    \u003Cth align=\"center\">测试说明\u003C\u002Fth>\n    \u003Cth align=\"center\">Restormer的可视化结果\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd align=\"left\">去雨\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Deraining\u002FREADME.md#training\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Deraining\u002FREADME.md#evaluation\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1HcLc6v03q_sP_lRPcl7_NJmlB9f48TWU?usp=sharing\">下载\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>运动模糊去除\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Motion_Deblurring\u002FREADME.md#training\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Motion_Deblurring\u002FREADME.md#evaluation\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1qla3HEOuGapv1hqBwXEMi2USFPB2qmx_?usp=sharing\">下载\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>散焦模糊去除\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Defocus_Deblurring\u002FREADME.md#training\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Defocus_Deblurring\u002FREADME.md#evaluation\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1V_pLc9CZFe4vN7c4SxtXsXKi2FnLUt98?usp=sharing\">下载\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>高斯去噪\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Denoising\u002FREADME.md#training\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Denoising\u002FREADME.md#evaluation\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1rEAHUBkA9uCe9Q0AzI5zkYxePSgxYDEG?usp=sharing\">下载\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>真实场景去噪\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Denoising\u002FREADME.md#training-1\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"Denoising\u002FREADME.md#evaluation-1\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1CsEiN6R0hlmEoSTyy48nnhfF06P5aRR7\u002Fview?usp=sharing\">下载\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n## 结果\n我们针对不同的图像处理任务进行了实验，包括图像去雨、单张图像运动模糊去除、散焦模糊去除（分别针对单张图像和双像素数据）以及图像去噪（分别针对高斯噪声和真实场景数据）。\n\n\u003Cdetails>\n\u003Csummary>\u003Cstrong>图像去雨\u003C\u002Fstrong>（点击展开）\u003C\u002Fsummary>\n\n\u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FmMoqYJi.png\"> \n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\u003Cstrong>单张图像运动模糊去除\u003C\u002Fstrong>（点击展开）\u003C\u002Fsummary>\n\n\u003Cp align=\"center\">\u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FhtagDSl.png\" width=\"400\">\u003C\u002Fp>\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\u003Cstrong>散焦模糊去除\u003C\u002Fstrong>（点击展开）\u003C\u002Fsummary>\n\nS：单张图像散焦模糊去除。\nD：双像素散焦模糊去除。\n\n\u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FsfKnLG2.png\"> \n\u003C\u002Fdetails>\n\n\n\u003Cdetails>\n\u003Csummary>\u003Cstrong>高斯图像去噪\u003C\u002Fstrong>（点击展开）\u003C\u002Fsummary>\n\n上排：学习一个模型来处理多种噪声水平。\n下排：为每种噪声水平单独训练一个模型。\n\n\u003Ctable>\n  \u003Ctr>\n    \u003Ctd> \u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002F4vzV8Qy.png\" width=\"400\"> \u003C\u002Ftd>\n    \u003Ctd> \u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FSx986Xs.png\" width=\"500\"> \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cp align=\"center\">\u003Cb>灰度\u003C\u002Fb>\u003C\u002Fp>\u003C\u002Ftd>\n    \u003Ctd>\u003Cp align=\"center\">\u003Cb>彩色\u003C\u002Fb>\u003C\u002Fp>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\u003Cstrong>真实图像去噪\u003C\u002Fstrong>（点击展开）\u003C\u002Fsummary>\n\n\u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002F6v5PRxj.png\">\n\u003C\u002Fdetails>\n\n## 引用\n如果您使用 Restormer，请考虑引用以下文献：\n\n    @inproceedings{Zamir2021Restormer,\n        title={Restormer: 高分辨率图像复原的高效Transformer}, \n        author={Syed Waqas Zamir 和 Aditya Arora 和 Salman Khan 和 Munawar Hayat \n                和 Fahad Shahbaz Khan 和 Ming-Hsuan Yang},\n        booktitle={CVPR},\n        year={2022}\n    }\n\n\n## 联系方式\n如有任何问题，请联系 waqas.zamir@inceptioniai.org\n\n\n**致谢：** 本代码基于 [BasicSR](https:\u002F\u002Fgithub.com\u002Fxinntao\u002FBasicSR) 工具箱和 [HINet](https:\u002F\u002Fgithub.com\u002Fmegvii-model\u002FHINet)。\n\n## 我们的相关工作\n- 用于快速图像复原与增强的丰富特征学习，TPAMI 2022。[论文](https:\u002F\u002Fwww.waqaszamir.com\u002Fpublication\u002Fzamir-2022-mirnetv2\u002F) | [代码](https:\u002F\u002Fgithub.com\u002Fswz30\u002FMIRNetv2)\n- 多阶段渐进式图像复原，CVPR 2021。[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2102.02808) | [代码](https:\u002F\u002Fgithub.com\u002Fswz30\u002FMPRNet)\n- 用于真实图像复原与增强的丰富特征学习，ECCV 2020。[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.06792) | [代码](https:\u002F\u002Fgithub.com\u002Fswz30\u002FMIRNet)\n- CycleISP：通过改进的数据合成实现真实图像复原，CVPR 2020。[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.07761) | [代码](https:\u002F\u002Fgithub.com\u002Fswz30\u002FCycleISP)","# Restormer 快速上手指南\n\nRestormer 是一种高效的 Transformer 模型，专为高分辨率图像复原任务设计（CVPR 2022 Oral）。它在去雨、运动去模糊、散焦去模糊及图像去噪等任务上达到了业界领先（SOTA）的效果。\n\n## 1. 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Linux (推荐 Ubuntu 18.04+) 或 macOS\n*   **Python**: 3.8 或更高版本\n*   **GPU**: 支持 CUDA 的 NVIDIA 显卡（推荐显存 8GB 以上以处理高分辨率图像）\n*   **核心依赖**:\n    *   PyTorch >= 1.7.1\n    *   torchvision\n    *   numpy\n    *   opencv-python\n    *   tqdm\n    *   einops\n    *   h5py\n\n> **提示**：国内开发者建议使用清华源或阿里源加速 Python 包的安装。\n\n## 2. 安装步骤\n\n### 第一步：克隆项目代码\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fswz30\u002FRestormer.git\ncd Restormer\n```\n\n### 第二步：安装依赖库\n您可以使用 `pip` 直接安装所需依赖。为了获得更快的下载速度，推荐使用国内镜像源：\n\n```bash\n# 使用清华源安装依赖\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n如果 `requirements.txt` 未包含所有必要组件，请手动安装核心库：\n```bash\npip install torch torchvision numpy opencv-python tqdm einops h5py -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 第三步：下载预训练模型\n根据您需要执行的任务，从 Google Drive 下载对应的预训练模型权重，并放入项目根目录或指定文件夹。\n*   **去雨 (Deraining)**: [下载链接](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1ZEDDEVW0UgkpWi-N4Lj_JUoVChGXCu_u)\n*   **运动去模糊 (Motion Deblurring)**: [下载链接](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1czMyfRTQDX3j3ErByYeZ1PM4GVLbJeGK)\n*   **散焦去模糊 (Defocus Deblurring)**: [下载链接](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1bRBG8DG_72AGA6-eRePvChlT5ZO4cwJ4?usp=sharing)\n*   **去噪 (Denoising)**: [下载链接](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1Qwsjyny54RZWa7zC4Apg7exixLBo4uF0)\n\n*(注：如果无法访问 Google Drive，可尝试项目提供的 Colab 演示或寻找国内网盘搬运资源)*\n\n## 3. 基本使用\n\n安装完成后，您可以直接使用 `demo.py` 脚本对单张图片或文件夹进行图像复原。\n\n### 命令格式\n```bash\npython demo.py --task Task_Name --input_dir path_to_images --result_dir save_images_here\n```\n\n### 使用示例\n\n**场景 1：对文件夹内的图片进行散焦去模糊**\n假设您有一组模糊图片位于 `.\u002Fdemo\u002Fdegraded\u002F` 目录，希望将修复后的图片保存至 `.\u002Fdemo\u002Frestored\u002F`：\n\n```bash\npython demo.py --task Single_Image_Defocus_Deblurring --input_dir '.\u002Fdemo\u002Fdegraded\u002F' --result_dir '.\u002Fdemo\u002Frestored\u002F'\n```\n\n**场景 2：直接处理单张图片**\n如果您只想处理单张名为 `portrait.jpg` 的图片：\n\n```bash\npython demo.py --task Single_Image_Defocus_Deblurring --input_dir '.\u002Fdemo\u002Fdegraded\u002Fportrait.jpg' --result_dir '.\u002Fdemo\u002Frestored\u002F'\n```\n\n### 支持的任务名称 (--task 参数)\n在使用时，请将 `Task_Name` 替换为以下之一：\n*   `Deraining` (去雨)\n*   `Motion_Deblurring` (运动去模糊)\n*   `Single_Image_Defocus_Deblurring` (单图散焦去模糊)\n*   `Dual_Pixel_Defocus_Deblurring` (双像素散焦去模糊)\n*   `Gaussian_Grayscale_Denoising` (高斯灰度去噪)\n*   `Gaussian_Color_Denoising` (高斯彩色去噪)\n*   `Real_Denoising` (真实场景去噪)\n\n---\n*更多高级用法（如重新训练模型或详细评估指标），请参考项目各子目录下的 `README.md` 文件。*","某城市交通监控中心的技术团队正在处理一批因雨天拍摄和车辆高速移动而严重模糊的违章抓拍图像，急需恢复清晰画面以识别车牌号码。\n\n### 没有 Restormer 时\n- **细节丢失严重**：传统 CNN 模型受限于局部感受野，无法有效关联长距离像素，导致雨纹去除不干净或运动模糊边缘依然浑浊，车牌字符难以辨认。\n- **高分辨率支持差**：面对监控摄像头输出的 4K 高清原图，现有 Transformer 类算法因计算复杂度随分辨率平方级增长，显存直接溢出，被迫将图片压缩至低分辨率处理，进一步损失关键细节。\n- **泛化能力不足**：针对真实世界复杂的光照变化和混合噪声（如高斯噪声叠加雨滴），旧模型往往出现过平滑现象，把车牌纹理误当作噪点抹除。\n- **工作流断裂**：技术人员需针对不同退化类型（去雨、去模糊、去噪）切换多个独立模型，手动拼接处理流程，效率极低且容易出错。\n\n### 使用 Restormer 后\n- **长程依赖捕捉精准**：Restormer 凭借高效的注意力机制，能全局理解图像结构，完美分离背景与前景，即使在被密集雨线遮挡的情况下也能还原清晰锐利的车牌边缘。\n- **原生支持高清输入**：其优化的网络架构允许直接在高分辨率图像上运行，无需降采样，确保了监控原图中的微小字符和纹理细节得到完整保留。\n- **真实场景适应性强**：在真实数据去噪和去模糊任务上达到 SOTA 水平，能够智能区分噪声与有效纹理，输出画面自然无伪影，大幅提升 OCR 识别成功率。\n- **统一高效处理**：单个 Restormer 模型即可同时胜任去雨、运动去模糊、散焦去模糊及去噪等多种任务，简化了部署流程，将单张图片的处理时间缩短至秒级。\n\nRestormer 通过突破性的架构设计，让高清监控图像在复杂恶劣天气下的复原变得既精准又高效，彻底解决了传统方法在高分辨率场景下的性能瓶颈。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fswz30_Restormer_610c872e.png","swz30","Syed Waqas Zamir","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fswz30_fe131d87.jpg","Senior Research Scientist @microsoft AI for Good Lab\r\n","Microsoft",null,"WaqasZamir.com","https:\u002F\u002Fgithub.com\u002Fswz30",[81,85,89],{"name":82,"color":83,"percentage":84},"Python","#3572A5",97.2,{"name":86,"color":87,"percentage":88},"MATLAB","#e16737",2.8,{"name":90,"color":91,"percentage":92},"Shell","#89e051",0,2502,315,"2026-04-19T14:13:17","MIT","未说明","需要 NVIDIA GPU（基于 BasicSR 工具箱及高分辨率图像恢复任务特性推断），具体型号、显存大小及 CUDA 版本未在 README 中明确说明",{"notes":100,"python":97,"dependencies":101},"README 中未直接列出具体的环境依赖版本，而是指引用户查看 'INSTALL.md' 文件以获取安装依赖的详细说明。该工具基于 BasicSR 工具箱开发，支持去雨、运动去模糊、散焦去模糊和图像去噪等任务。提供 Google Colab 演示链接，暗示其可在云端 GPU 环境运行。训练代码和预训练模型已发布。",[102,103,104,105,106,107,108],"torch (推断)","BasicSR (基于此工具箱)","HINet (代码参考)","numpy (推断)","Pillow (推断)","tqdm (推断)","yaml (推断)",[14,110,36,15],"视频",[112,113,114,115,116,117,118,119,120,121,122],"image-restoration","image-deraining","image-deblurring","defocus-deblurring","motion-deblurring","transformer","pytorch","low-level-vision","cvpr2022","high-resolution","efficient-transformers","2026-03-27T02:49:30.150509","2026-04-20T12:55:29.573929",[126,131,136,141,146,151,155,160],{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},44861,"如何在显存有限的情况下训练去雨（Deraining）模型？","如果显存不足以支持官方设定的大 batch size，可以调整渐进式学习策略。建议添加更小的 patch size（如 64, 96）并在初期增加迭代次数以加速训练。以下是一个适用于 4 张 GPU 的参考配置示例：\n\ndatasets:\n  train:\n    gt_size: 320\n    gt_sizes: [64,96,128,160,192,256,320]\n    num_worker_per_gpu: 8\n    batch_size_per_gpu: 4\n    mini_batch_sizes: [6,4,3,2,2,1,1]\n    iters: [172000,128000,104000,72000,52000,40000,32000]\n\ntrain:\n  scheduler:\n    type: CosineAnnealingRestartCyclicLR\n    periods: [300000, 300000]\n    restart_weights: [1,1]\n    eta_mins: [0.0003,0.000001]\n  total_iter: 600000\n\n请确保在运行完整训练前，检查并调整配置以使您的 GPU 能承受所有的 patch size 和 batch size 组合。","https:\u002F\u002Fgithub.com\u002Fswz30\u002FRestormer\u002Fissues\u002F28",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},44862,"是否有 Google Colab 的演示代码可用？","是的，官方已提供 Google Colab 演示笔记本。您可以直接通过以下链接打开并运行：\nhttps:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1C2818h7KnjNv4R1sabe14_AYL7lWhmu6?usp=sharing","https:\u002F\u002Fgithub.com\u002Fswz30\u002FRestormer\u002Fissues\u002F10",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},44863,"遇到 'ModuleNotFoundError: No module named typing_extensions' 错误如何解决？","该问题通常是由于使用 conda 安装 PyTorch 导致的版本不一致引起的。解决方案是改用 pip 重新安装 PyTorch 及相关依赖，以确保版本兼容性。","https:\u002F\u002Fgithub.com\u002Fswz30\u002FRestormer\u002Fissues\u002F88",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},44864,"训练 Restormer 对 GPU 显存有什么具体要求？","官方使用 8 张 Tesla V100 GPU（每张 32GB 显存）进行训练。对于 256x256 的 patch size，每张 GPU 的 batch size 设置为 2。如果您使用显存较小的显卡（如 RTX 3080 10GB），在 256x256 分辨率下 batch size 大于 2 可能会导致显存溢出，建议降低 batch size 或使用更小的 patch size 开始训练。","https:\u002F\u002Fgithub.com\u002Fswz30\u002FRestormer\u002Fissues\u002F66",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},44865,"论文中其他方法的定量结果是如何计算的？是直接引用还是重新训练的？","对于图像去雨（Image Deraining）任务，Restormer 遵循 MSPFN 论文的惯例，直接引用其论文表格中提供的结果，并未重新训练其他对比方法。","https:\u002F\u002Fgithub.com\u002Fswz30\u002FRestormer\u002Fissues\u002F76",{"id":152,"question_zh":153,"answer_zh":154,"source_url":135},44866,"仅进行推理（Inference）时需要 Ground Truth 图像吗？如何处理自己的 PNG 图片？","如果仅需对图片进行去噪或恢复，不需要 Ground Truth 图像。但如果需要计算 PSNR、SSIM 等评估指标，则必须提供对应的原始清晰图像（Ground Truth）和退化图像。\n若要处理自己的 PNG 图片，需将其放入项目规定的目录结构中（参考 README.md），或者修改数据加载代码以支持直接读取 PNG 文件，因为默认配置可能主要针对 .mat 格式数据集。",{"id":156,"question_zh":157,"answer_zh":158,"source_url":159},44867,"代码中的 Attention 实现是否正确？为什么序列维度在最后？","代码实现是正确的，符合论文第 3.1 节的描述。该架构将空间维度 (h, w) 展平作为序列维度放在最后（即 'b head c (h w)'），这是 Restormer 的设计特点。需要注意的是，这种架构对分辨率设置非常敏感，如果使用与训练时差异较大的图像尺寸进行训练或测试，可能会遇到问题。","https:\u002F\u002Fgithub.com\u002Fswz30\u002FRestormer\u002Fissues\u002F92",{"id":161,"question_zh":162,"answer_zh":163,"source_url":164},44868,"在较新的 GPU（如 A6000）上运行时出现 'CUDA error: no kernel image is available' 怎么办？","这通常是因为预编译的 PyTorch 版本过旧，不支持新架构的 GPU。虽然升级到新版 PyTorch（如 2.0.1 + CUDA 11.8）可能解决内核问题，但可能导致基础环境（如 basicsr）构建失败（例如找不到 torch 模块）。建议尝试匹配 GPU 架构的 PyTorch 版本，或者从源码重新编译相关的 CUDA 扩展以确保兼容性。","https:\u002F\u002Fgithub.com\u002Fswz30\u002FRestormer\u002Fissues\u002F125",[166],{"id":167,"version":168,"summary_zh":169,"released_at":170},358491,"v1.0","**Restormer 在不同图像处理任务中的应用点：**\n\n- 图像去雨\n- 单幅图像运动模糊去模糊\n- 散焦模糊去模糊\n- 高斯噪声去除\n- 真实图像噪声去除","2022-03-30T05:38:30"]